Revista Iberoamericana de Neuropsicología, Vol. 3, No. 1: 29-40, enero-junio, 2020.

Principios básicos en estadística para

neuropsicólogos clínicos e investigadores:
utilidad práctica e interpretación de análisis de
variables continuas

Javier Oltra-Cucarella1, Ph.D., Diego Rivera2, Ph.D.,

Juan Carlos Arango-Lasprilla3,4,5, Ph.D.

Resumen

Objetivo. La calidad de la evaluación neuropsicológica y el seguimiento de programas de

rehabilitación se apoyan en gran medida en tests, escalas e inventarios neuropsicológicos.
Sin embargo, la interpretación de las pruebas estadísticas utilizadas en investigación neu-
ropsicológica puede ser difícil para muchos neuropsicólogos. El objetivo de este trabajo es
proporcionar un texto científico de consulta para los neuropsicólogos interesados en la re-
alización de estudios de investigación y en la interpretación de resultados científicos.

Método. Se realiza una revisión y explicación detallada de diferentes análisis es-

tadísticos relacionados con variables continuas, utilizando ejemplos de estudios
científicos relacionados con la neuropsicología.

Resultados. Con el presente trabajo los clínicos y los investigadores conocerán de

manera pormenorizada los fundamentos y la interpretación de los análisis estadísti-
cos relacionados con diferencias de medias, análisis de varianza, correlaciones y re-
gresión lineal.

Conclusión. El presente trabajo pretende ser una herramienta de consulta rápida

para clínicos e investigadores interesados en interpretar y realizar investigaciones
científicas con personas con daño neurológico. Los profesionales interesados en pro-
fundizar en el estudio de cada una de las técnicas deberán acceder a textos especial-
izados donde se explique cada técnica de manera más pormenorizada.
Palabras clave:

Análisis de datos; estadística; investigación;

modelo lineal general; neuropsicología

Autor de correspondencia:
1
Departamento de Psicología de la Salud, Universidad Miguel Hernández de Elche, Avda de la Uni-
versidad s/n Edificio Altamira, 03202 Elche (Alicante, España).
2
Departamento de Ciencias de la Salud, Universidad Pública de Navarra. Campus Arrosadia, s/n. 31006.
Dr. Juan Carlos Arango-Lasprilla
Pamplona, España.
BioCruces Bizkaia Health Re- 3
BioCruces Bizkaia Health Research Institute, Cruces University Hospital Barakaldo, Bizkaia, Spain. 48903.
search Institute 4
IKERBASQUE. Basque Foundation for Science, Bilbao, Spain. 48013.
Cruces University Hospital 5
Department of Cell Biology and Histology, University of the Basque Country UPV/EHU, Leioa,
48903 Barakaldo, Bizkaia, Spain. Spain. 48940
30 Revista Iberoamericana de Neuropsicología  Vol. 3, No. 1, enero-junio 2020.
INTRODUCCIÓN
La neuropsicología es un área de la psicología en-
cargada de estudiar la relación entre el funciona-
miento cerebral y el comportamiento humano, tan-
to en personas sanas como en personas que han
sufrido algún tipo de daño cerebral1–3. En la actuali-
dad la labor del neuropsicólogo cobra cada vez más
importancia no sólo por su capacidad para evaluar
y diagnosticar a pacientes con daño cerebral, sino
también por su papel activo y relevante en el proce-
so rehabilitador4.
La calidad de la evaluación neuropsicológica
y el seguimiento de programas de rehabilitación
se apoyan en gran medida en tests neuropsicoló-
gicos, escalas e inventarios. Estos deben cumplir
con ciertas características tales como adecuada
validez y fiabilidad, adaptación cultural y disposi-
ción de datos normativos5. Estas características
son esenciales puesto que de ello dependerá la
adecuada interpretación de la puntuación de una
persona3,5. Los datos normativos ajustados por
características demográficas han llegado a ser de
gran uso y de administración rutinaria en neurop-
sicología. En general se pueden encontrar normas
corregidas por edad y nivel educativo, aunque en
algunos casos también se corrige según el sexo.
Actualmente se reconoce la importancia de gene-
rar, adicionalmente, normas según grupos defini-
dos por raza/origen étnico5–7.
Sin embargo, la adecuada interpretación final
de los datos recopilados para conseguir un diag-
nóstico clínico siempre depende del juicio clínico.
Esto es, los tests neuropsicológicos, las escalas e
inventarios, y las técnicas de observación son he-
rramientas que sirven de ayuda para que el clínico
pueda realizar su labor. Esto supone que, además
de los conocimientos clínicos, los neuropsicólogos
deben adquirir a su vez conocimientos en estadís-
tica para poder realizar de manera adecuada su la-
bor. Por ejemplo, el conocimiento de la estadística
permite una adecuada interpretación y equivalen-
cia de las diferentes distribuciones y las puntua-
ciones derivadas, tales como las puntuaciones z,
puntuaciones t, puntuaciones CI, entre otras, usa-
das para la calificación e interpretación de los tests
neuropsicológicos. De igual modo, es necesario sa-
ber cómo calcular las desviaciones estándar, puesto
que determinados criterios diagnósticos de algunas
patologías (p. ej. deterioro cognitivo leve, demen-
cias) exigen que el rendimiento del paciente se si-
túe determinadas desviaciones estándar por debajo
de la media8. A su vez, el clínico debe tener cono-
cimiento sobre la mayor probabilidad que se tiene
de obtener puntuaciones bajas al aplicar una bate-
ría de pruebas más o menos larga. Esto es, cuantas
más pruebas se administren, mayor probabilidad de
obtener puntuaciones bajas, al margen de ser sig-
no o no de deterioro de alguna función cognitiva9–11.
Otro de los puntos clave en la labor como neu-
ropsicólogo es saber si la intervención está dan-
do resultados positivos. Esto es, el clínico necesita
saber si su intervención está favoreciendo la recu-
peración del paciente, su mayor integración en los
diferentes ámbitos de la vida diaria: familia, escue-
la, trabajo, etc. Actualmente existen herramientas
estadísticas que permiten conocer el cambio en el
rendimiento neuropsicológico del paciente12, pero
se requiere de conocimiento estadístico para su
correcto uso.
Por otra parte, desde los años 30 del siglo pa-
sado (1929), la psicología se ha caracterizado por
ser una ciencia que realiza sus aportes científicos
a partir de análisis estadísticos basados en grupos
muestrales (n>1) gracias a los aportes de Fischer13.
Los conocimientos estadísticos permiten a los clí-
nicos entender los avances que se están realizando
bien en evaluación y diagnóstico, bien en rehabilita-
ción, cuando acuden a revistas científicas. Esto es,
les permitirá leer un artículo de manera crítica y de-
terminar si es útil para su práctica clínica. Por ejem-
plo, conocer si la muestra con la que se ha realizado
el estudio puede ser equivalente a la población a la
que atiende, valorar si una prueba cumple con los
requisitos mínimos de fiabilidad o validez, interpre-
tar los valores de las pruebas estadísticas (valores
t, F, r, etc.), dominar conceptos como tamaño del
efecto, cambios estadísticamente significativos,
cambios clínicamente significativos, etc.
Sin embargo, adquirir una alfabetización en es-
tadística no siempre es una tarea fácil14, y a pesar de
 Principios básicos en estadística para neuropsicólogos clínicos e investigadores: utilidad práctica... 31
que desde las universidades se admite su importan-
cia para la formación del psicólogo y se incluye en
el currículum formativo de los grados de psicolo-
gía, no suele contar con la valoración positiva de los
estudiantes15,16. Esto puede deberse a que esta asig-
natura es impartida por estadísticos sin experien-
cia en el ámbito de la psicología o neuropsicología,
por lo que el alumnado no ve una conexión entre
el conocimiento estadístico y su uso para la prácti-
ca clínica. Además, por lo general se acude a textos
complejos con terminología altamente técnica, lo
que en muchas ocasiones desmotiva y,/o no permi-
ten una adecuada adquisición de las herramientas
estadísticas por parte del psicólogo.
El objetivo del presente trabajo es presentar
una guía sencilla de algunas de las pruebas esta-
dísticas más usadas en investigación neuropsico-
lógica. La finalidad del presente texto es servir de
consulta rápida por parte de los clínicos y los in-
vestigadores interesados en analizar e interpretar
datos derivados de estudios científicos. Para un
conocimiento más exhaustivo de las técnicas es-
tadísticas se remite al lector a los manuales de re-
ferencia citados a lo largo del texto.
ANÁLISIS ESTADÍSTICOS Y NEUROPSICOLOGÍA
Comparación de medias: dos grupos
En ocasiones los neuropsicólogos están intere-
sados en conocer si las puntuaciones medias que
obtiene un grupo de participantes en una variable
(M1) son diferentes de las puntuaciones medias que
obtiene otro grupo de participantes en esa misma
variable (M2). La variable bajo estudio se denomina
variable dependiente (VD), mientras que los grupos
de comparación son la variable independiente (VI).
Mediante una prueba de comparación de medias se
resta la media de un grupo de la media del otro gru-
po, y se divide el resultado entre el error estándar
de esa diferencia (esto es, se estandariza). Poste-
riormente se compara la diferencia estandarizada
con una tabla de frecuencias de la que se obtiene
el valor de probabilidad (o valor de p). Estadística-
mente, el valor de p asociado a la diferencia estan-
darizada indica la probabilidad de encontrar una
diferencia entre medias igual o más extrema que la
encontrada si la hipótesis nula (de μ2 – μ1 = 0 en la
población) es cierta17.
Sin embargo, el estadístico que está tomando
mayor importancia frente al valor de p es el ta-
maño del efecto, el cual indica la magnitud de las
diferencias con independencia de la significación
estadística. El estadístico del tamaño del efecto
más utilizado para la diferencia de medias es la d
de Cohen18 el cual indica cuántas desviaciones típi-
cas se desvía la media de un grupo respecto de la
media del otro grupo. No obstante, se han calcula-
do estimadores insesgados para muestras peque-
ñas19. Siguiendo las guías de Cohen, las diferencias
de medias se interpretan como pequeñas, mode-
radas o grandes cuando el valor de d es igual o su-
perior a 0.20, 0.50 y 0.80 respectivamente. Como
indicador adicional, se puede conocer el porcen-
taje de solapamiento entre las distribuciones de
puntuaciones en las dos muestras a partir del va-
lor de la d de Cohen20.
La importancia del tamaño del efecto es que
indica si es interesante tomar en consideración la
asociación entre variables. Por ejemplo, un tamaño
del efecto demasiado grande podría indicar que esa
variable diferencia suficientemente entre grupos y
no es necesario incluirla como variable de estudio
(p.ej., la diferencia de peso entre niños de 4 años y
adultos de 30). Por su parte, un tamaño del efecto
demasiado pequeño, o incluso insignificante, indica
que la distribución de frecuencias entre los grupos
se solapa tanto que no es útil para diferenciar entre
los grupos (p.ej., la diferencia de peso entre perso-
nas de 20 años y personas de 22 años).
Como ejemplo, Garcia-Diaz y sus colaborado-
res21 administraron una tarea de velocidad de pro-
cesamiento de la información a una muestra de 20
personas mayores cognitivamente sanas [Media
(M) = 46.90, Desviación Típica (DT) = 10.26] y a
una muestra de 36 personas con Enfermedad de
Parkinson (M = 32.60, DT = 22.04) y deterioro cog-
nitivo leve. La VD es el número de ítems correctos
tras 90 segundos. La prueba t para muestras inde-
pendientes indica que la diferencia en las medias
entre los dos grupos es estadísticamente signifi-
cativa (t = 2.73, p = 0.008), lo que sugiere que las
32 Revista Iberoamericana de Neuropsicología  Vol. 3, No. 1, enero-junio 2020.
personas con Enfermedad de Parkinson y dete-
rioro cognitivo leve identifican menos ítems en la
misma prueba durante el mismo periodo de tiem-
po. La conclusión principal de este análisis es que
las personas con Enfermedad de Parkinson y dete-
rioro cognitivo leve presentan un enlentecimiento
en la velocidad de procesamiento.
El estadístico d de Cohen para estos estadísti-
cos es igual a 0.83, lo que indica un tamaño del
efecto de moderado a grande. Asimismo, una d =
0.83 se asocia con un porcentaje de solapamiento
de alrededor del 50%, lo que indica que aproxima-
damente el 50% de las puntuaciones en el gru-
po con Enfermedad de Parkinson está por debajo
de la puntuación más baja observada en el grupo
cognitivamente sano.
Es importante saber que aumentando los ta-
maños muestrales se reduce el error de medida
y, por tanto, la desviación típica, lo cual tiene un
impacto en el tamaño del efecto. Aunque la dife-
rencia puede ir en cualquier dirección, el aumen-
to del tamaño muestral suele estar asociado a una
reducción del tamaño del efecto, lo que indica que
los estadísticos del tamaño del efecto asociados a
un valor de p menor de 0.05 y obtenidos en mues-
tras pequeñas no son fiables, por lo que deben in-
terpretarse con mucha cautela22.
Comparación de medias: varios grupos
Cuando lo que se pretende es comparar las pun-
tuaciones en una misma VD entre más de dos gru-
pos, la prueba utilizada es el análisis de varianza
(ANOVA) de un factor. En el ANOVA se cambia el
término VI por el término factor, siendo el factor
la variable relacionada con los grupos. En el ANO-
VA, la hipótesis nula es que todas las medias son
iguales entre ellas (i.e., μ = μ2 = μk, donde k es el
número de grupos).
El ANOVA se basa en dos estimaciones de varian-
za . Por un lado, se analiza la varianza dentro de
23
cada grupo, esto es, si las puntuaciones dentro de
cada grupo son similares o presentan una marcada
dispersión. Esta varianza intra-grupo se considera
varianza aleatoria o varianza de error. Por otro lado,
se analiza la diferencia entre medias de los grupos,
lo que se considera un reflejo de la diferencia en-
tre los grupos más el error. Si las dos estimaciones
de varianza no difieren considerablemente, es de-
cir, si la varianza entre-grupos es similar a la varian-
za intra-grupos, se concluye que todas las medias
provienen de la misma distribución de medias y que
cualquier pequeña diferencia se debe al error de
muestreo. Por el contrario, si las medias de los gru-
pos difieren más de lo esperable, se puede concluir
que esas medias provienen de diferentes distribu-
ciones y se rechaza la hipótesis nula de igualdad de
medias23. Sin embargo, el ANOVA que indica que las
medias no son iguales entre los grupos no indica
entre qué grupos existen diferencias. Para ello es
necesario realizar pruebas adicionales.
En cuanto al tamaño del efecto relacionado
con el ANOVA, el más utilizado es η2 parcial (eta
cuadrado parcial), que indica la varianza en la VD
atribuible al efecto de interés más el error23. El ta-
maño del efecto relacionado con η2 parcial para
cada variable independiente es de 0.010, 0.058 y
0.137 para un tamaño del efecto pequeño, mode-
rado y grande respectivamente24.
Como ejemplo, Smith, Dawes, Smith y Pal25 com-
pararon el procesamiento auditivo entre un grupo
de 40 niños y adolescentes con epilepsia rolándica
(G1), un grupo de 32 de los hermanos de los miem-
bros del G1 (G2) y un grupo de 99 de los padres de
los participantes del G1 (G3). Mediante escucha di-
cótica se presentaba una palabra en cada oído de
manera simultánea, y se les solicitaba que repitieran
la palabra que se les presentaba en uno u otro oído.
Las puntuaciones (y su DT) de los grupos G1, G2 y
G3 fue de 7.3 (3.8), 7.6 (3.7) y 8.9 (2.8) respectiva-
mente. Los datos indican que la variabilidad dentro
de los grupos es ligeramente inferior en el G3, y que
las medias son similares entre los grupos G1 y G2. El
ANOVA indica que la variabilidad entre las medias es
superior a la esperable según la variabilidad debida
al error de muestreo (F = 4.3, p = 0.015), con lo que
se concluye que existen diferencias entre los gru-
pos en la tarea de memoria. El ANOVA no permite
conocer entre qué grupos ocurren las diferencias,
pero pruebas post-hoc mostraron que los grupos
G1 y G2 obtuvieron puntuaciones significativamente
 Principios básicos en estadística para neuropsicólogos clínicos e investigadores: utilidad práctica... 33
más bajas que el G3, sin diferencias entre los grupos
G1 y G2. El estadístico η2 parcial es de 0.38, lo que in-
dica que el 38% de la varianza en la puntuación del
test de escucha dicótica se asocia con la pertenen-
cia a uno de los grupos.
Extensión del Análisis de Varianza: ANOVA de
dos factores
Una de las particularidades del ANOVA es que es
una técnica versátil que permite ampliar los aná-
lisis considerablemente. La primera extensión del
ANOVA es la introducción de uno o más factores
en el análisis. Así, el ANOVA permite analizar si las
diferencias en la variable dependiente se deben a
un factor, a otro factor o la interacción entre am-
bos. En el caso más simple se incluyen dos facto-
res, lo que permite conocer dos efectos simples
y un efecto de interacción. Los efectos simples
indican si las diferencias en la VD se deben a los
efectos de cada uno de los factores considerados
de manera aislada. La interacción, por el contrario,
indica si las diferencias entre los diferentes niveles
de un factor se repiten en los diferentes niveles
del otro factor23.
Como ejemplo, Testa, Malec, Moessner y
Brown26 analizaron la relación entre la edad y el
tipo de daño en la independencia en tareas re-
lacionadas con el trabajo. Para ello, reclutaron a
195 personas con traumatismo craneoencefálico
(TCE) y 82 personas con daño físico de tipo or-
topédico. Los participantes de ambos grupos fue-
ron, a su vez, separados en dos grupos de edad: de
18 a 49 años, y de 50 a 89 años. La VD en este estu-
dio fue la puntuación en el cuestionario Vocational
Independence Scale. Este diseño incluye dos facto-
res: el factor Grupo (F1) y el factor Edad (F2). El
análisis del factor simple F1 permite conocer si el
rendimiento difiere, de manera general, entre per-
sonas con TCE y personas con daño ortopédico.
Por otro lado, el análisis del factor simple F2 per-
mite conocer si el rendimiento difiere, de manera
general, en pacientes más mayores en compara-
ción con pacientes más jóvenes.
Lo más interesante, sin embargo, es la interac-
ción entre factores, que en este caso mostraría si
uno de los grupos (F1) obtiene una puntuación di-
ferente en función de la edad (F2). Los análisis mos-
traron un efecto principal del grupo (F = 20.30, p <
0.001) y un efecto principal de la edad (F = 8.02, p
= 0.005). También se encontró una interacción sig-
nificativa (F = 3.95, p = 0.048), indicando que las
personas mayores que habían sufrido un TCE pre-
sentaban la menor independencia vocacional. Esta
independencia vocacional era menor que la en-
contrada en las personas mayores con daño orto-
pédico y menor que las personas más jóvenes con
independencia del daño que hubieran sufrido.
Análisis de covarianza
La segunda ampliación del ANOVA es que permite
incluir el efecto de una tercera variable, en este
caso continua, en el análisis de la relación entre
factores y la VD. Cuando se incluye una variable
continua (denominada covariable) en un análisis
de varianza, la nomenclatura cambia a Análisis de
Covarianza (ANCOVA). En el ANCOVA, se analiza la
relación entre factores y VD después de ajustar los
valores de la VD en función de las diferencias en
la covariable introducida (y que correlaciona con
la VD)23. Mediante el ANCOVA, se ajustan las me-
dias de los grupos en la VD al valor que tomaría
esta VD si todos los sujetos puntuaran igual en la
covariable, por lo que las diferencias existentes se
deben únicamente a los factores introducidos en
el análisis (más otros desconocidos que no se han
podido controlar). Esto indica que los efectos de
la covariable en el ANCOVA se basan en una regre-
sión lineal (ver más abajo).
Como ejemplo, Wobrock y sus colaboradores27
compararon el rendimiento en tareas de funcio-
nes ejecutivas entre un grupo de 11 personas con
primer episodio de esquizofrenia, 13 personas con
esquizofrenia crónica, 18 personas con trastorno
bipolar y 23 controles sanos. La VD es el núme-
ro de intentos administrados en el Wisconsin Card
Sorting Test (WCST). Para realizar el ANCOVA com-
pararon la puntuación en el WCST ente los grupos
controlando el sexo, la edad y el nivel educativo.
En este ANCOVA introdujeron dos factores cate-
góricos (grupo y sexo) y dos covariables (edad y
nivel educativo). Los resultados mostraron que,
34 Revista Iberoamericana de Neuropsicología  Vol. 3, No. 1, enero-junio 2020.
controlando por edad, sexo y nivel educativo, exis-
tían diferencias significativas en el WCST, con el
grupo de controles sanos realizando la tarea en un
menor número de intentos (M = 88.45, DT = 16.77)
en comparación con las personas con primer epi-
sodio de esquizofrenia (M = 110.91, DT = 18.56), las
personas con esquizofrenia crónica (M =104.09,
DT = 18.42) y las personas con trastorno bipolar
(M = 103.25, DT = 20.92). Los autores no indicaron
el efecto de la edad o el nivel educativo sobre la
VD, por lo que no es posible conocer si las puntua-
ciones en el WCST disminuyeron en función de la
edad o los años de escolaridad.
ANOVA de medidas repetidas
La tercera ampliación del ANOVA, y quizá de las
más importantes para interpretar estudios sobre
intervenciones cognitivas en personas con daño
neurológico, es el análisis de una VD en varios mo-
mentos temporales (intra-sujetos), manteniendo
la posibilidad de incluir tanto factores entre-suje-
tos como covariables. En este caso, denominado
ANOVA de medidas repetidas (o ANOVA mixto si
incluye factores entre-sujetos y factores intra-su-
jetos), se analizan tanto los efectos de los factores
simples como la interacción entre factores, como
se describe en la sección dedicada al ANOVA de
dos factores. La diferencia fundamental entre el
ANOVA de dos factores y el ANOVA de medidas
repetidas es la independencia de los datos. En el
ANOVA de dos factores entre-sujetos, cada fac-
tor incluye datos de dos grupos diferentes y, por
tanto, independientes23. En el caso del ANOVA de
medidas repetidas, el factor intra-sujetos incluye
valores obtenidos en los mismos sujetos en varios
momentos diferentes (p.ej., antes y después de la
intervención), por lo que los datos están relacio-
nados entre sí y no son independientes.
Como ejemplo, De Simone, Perri, Fadda, Calta-
girone y Carlesimo28 analizaron el rendimiento de
80 personas con Deterioro Cognitivo Leve (DCL)
y 62 controles sanos en una tarea de memoria ver-
bal. El grupo DCL fue, a su vez, dividido en dos
grupos: un grupo de 39 personas con DCL que
progresaron a Enfermedad de Alzheimer y un gru-
po de 41 personas con DCL que se mantuvieron
estables en un periodo de tres años. Este diseño
incluyó una variable entre-sujetos con dos niveles
(factor Grupo, F1) y una variable intra-sujetos (fac-
tor Tiempo, F2) con dos niveles: puntuaciones en la
última serie de recuerdo inmediato vs. puntuacio-
nes en el recuerdo diferido.
El ANOVA de medidas repetidas mostró un
efecto principal del factor grupo (F = 79.03, p <
0.001), un efecto principal del factor tiempo (F =
330.8, p < 0.001), y una interacción significativa (F
= 9.33, p < .001). En cuanto al factor grupo, los
controles sanos obtuvieron en global puntuacio-
nes superiores a los dos grupos con DCL, mien-
tras que las personas con DCL que progresaron a
Enfermedad de Alzheimer obtuvieron puntuacio-
nes en global significativamente más bajas que las
personas con DCL que se mantuvieron estables.
En cuanto al factor tiempo, las puntuaciones en la
última serie del recuerdo inmediato fueron, en ge-
neral y contando con todos los grupos, mayores
que las puntuaciones en el recuerdo diferido.
Lo más importante en este diseño, sin embar-
go, es la interacción entre factores. La interacción
entre grupo y tiempo mostró que las personas en
los dos grupos con DCL mostraron una pérdida en-
tre la última serie del recuerdo inmediato y la serie
de recuerdo diferido similar (p = 0.07), significati-
vamente más marcada que la encontrada en el gru-
po de controles sanos (ps < 0.001). Por lo tanto,
la interacción significativa entre factores muestra
que lo que ocurre en alguno de los grupos de un
factor no ocurre en alguno de los grupos del otro
factor. En un estudio de intervención, se escogen
dos grupos de personas con patología neurológica.
A uno de los grupos se le realiza una intervención
cognitiva, mientras que el otro grupo no la recibe, y
ambos grupos son evaluados con las mismas prue-
bas en los mismos momentos temporales (antes y
después de la intervención en el grupo experimen-
tal). El investigador está interesado en encontrar
una interacción significativa entre los factores gru-
po y tiempo, de manera que las puntuaciones en
un grupo antes y después sean diferentes a las del
otro grupo. Si el grupo sin intervención se mantie-
ne estable, se espera que el grupo con intervención
mejore; si el grupo sin intervención empeora, se
 Principios básicos en estadística para neuropsicólogos clínicos e investigadores: utilidad práctica... 35
espera que el grupo con intervención mejore o se
mantenga estable.
Análisis de asociación: Correlaciones
En ocasiones los investigadores están interesados
en conocer si los cambios en una variable continua
se relacionan con cambios en otra variable conti-
nua, dentro de un grupo. En este caso, los análisis
de correlaciones bivariadas (dos variables) permi-
ten conocer si el aumento o disminución en los va-
lores de una variable se asocian con un aumento
o una disminución en los valores de otra variable23.
Las correlaciones bivariadas más utilizadas en in-
vestigación son la r de Pearson, para variables que
se distribuyen normalmente, y la Rho de Spearman
para variables que no se distribuyen normalmente.
El estadístico de correlación puede tomar va-
lores entre ±1. Los valores positivos indican que el
aumento en los valores de una variable se asocia
con el aumento en los valores de la otra variable.
Los valores negativos de r indican que los valores
de una variable disminuyen conforme aumentan
los valores de la otra variable. Una correlación no
significativa o con valores cercanos a 0 indica que
no existe asociación entre variables y, por tanto,
los cambios en una variable no tienen relación con
los cambios en la otra variable.
El tamaño del efecto indica una asociación pe-
queña, moderada o grande para valores r = 0.10, r
= 0.30 y r = 0.50 respectivamente18. Por otra par-
te, el cuadrado de la correlación (r2) indica la pro-
porción de varianza en una variable explicada por
la otra variable, y puede tomar valores entre 0 y 1.
Cuanto mayor es la varianza explicada más cerca-
no es r2 a 1, mayor es la asociación entre variables y
mejor pueden predecirse los valores de una varia-
ble en función de las puntuaciones en la otra varia-
ble23. Es muy importante tener presente que, como
en el caso de las diferencias de medias, los análisis
de correlación indican asociación, pero en ningún
caso causalidad.
Como ejemplo, Borghesani y sus colaboradores29
analizaron la asociación entre la edad y la velocidad
de procesamiento con otras variables cognitivas
relacionadas con la memoria, la fluencia verbal, el ra-
zonamiento y la flexibilidad cognitiva en 165 personas
mayores cognitivamente sanas. Sus resultados mos-
traron que la edad correlacionó de manera significa-
tiva con la velocidad de procesamiento (r = -0.36),
la memoria (r = -0.24), la fluencia verbal (r = -0.15),
el razonamiento (r = -0.43) y la flexibilidad cogniti-
va (r = -0.40). El signo negativo de las correlaciones
indica que las puntuaciones en los diferentes tests
cognitivos disminuía conforme aumentaba la edad.
En cuanto a la velocidad de procesamiento, los re-
sultados mostraron una asociación significativa con
la memoria (r = 0.47), la fluencia verbal (r = 0.62),
el razonamiento (r = 0.64) y la flexibilidad cognitiva
(r = 0.34). El signo positivo de las correlaciones indi-
ca que las puntuaciones en los diferentes tests au-
mentaban conforme aumentaban las puntuaciones
en tests de velocidad de procesamiento. Sin embar-
go, pese a la significación estadística, las medidas de
tamaño del efecto indican que la relación entre va-
riables es generalmente baja, explicando porcentajes
de varianza entre el 2.25% y el 22%. Las asociaciones
más importantes se encontraron entre la velocidad
de procesamiento y la fluencia verbal (r2 = 38.4%),
por un lado, y la velocidad de procesamiento y el ra-
zonamiento por otro (r2 = 41%).
Análisis de asociación: regresión lineal
Los análisis de correlación indican la asociación
entre dos variables continuas, esto es, cómo los
cambios en una variable afectan a otra variable. Si
dos variables están relacionadas se puede prede-
cir, con cierto grado de confianza, los valores de
una variable en función de los valores de la otra
variable. Este análisis de predicción se realiza a tra-
vés de análisis de regresión30. Cuando la variable
dependiente que se quiere predecir, denominada
criterio, es una variable continua el análisis ade-
cuado es la regresión lineal. Las variables indepen-
dientes utilizadas para predecir la variable criterio,
denominadas predictores, pueden ser variables
categóricas y variables continuas.
Los análisis de regresión se utilizan para respon-
der a dos cuestiones generales de investigación30.
En primer lugar, aportan información acerca de la
asociación de variables. Si se utiliza una variable
36 Revista Iberoamericana de Neuropsicología  Vol. 3, No. 1, enero-junio 2020.
dicotómica como predictor de una variable conti-
nua, el coeficiente asociado al predictor es igual al
que se obtendría con un análisis de diferencia de
medias. En segundo lugar, los coeficientes obteni-
dos en los análisis de regresión son útiles para pre-
decir los valores de la variable criterio a partir de
los valores del conjunto de variables predictoras.
Dos son los estadísticos más relevantes para los
investigadores en un análisis de regresión lineal. Los
estadísticos relacionados con cada predictor se de-
nominan coeficientes, e indican el cambio medio
en la variable criterio por cada aumento de una uni-
dad en la variable predictora. Cuando hay dos o más
predictores, el coeficiente de cada predictor indica
el cambio medio en la variable criterio por cada au-
mento de una unidad en el predictor manteniendo
el resto de predictores constantes. El segundo es-
tadístico relevante es R2, que indica el porcentaje de
varianza de la variable criterio que se explica por la
combinación de predictores. R2 puede tomar valo-
res entre 0 y 1. Los valores más cercanos a 1 indican
una relación absoluta entre predictores y criterio,
mientras valores cercanos a 0 indican que no existe
asociación entre la variable criterio y los predicto-
res. R2 es útil para calcular el tamaño del efecto del
modelo, con valores de 0.02, 0.13 y 0.26 indicando
un tamaño del efecto pequeño, moderado y grande
respectivamente18.
Como ejemplo, Chang y sus colaboradores31
analizaron el tiempo de estancia hospitalaria en
330 pacientes con primer ictus isquémico. Con
el fin de identificar variables relacionadas con el
tiempo de estancia recogieron datos sobre el sexo
del paciente, la edad, la gravedad del ictus, inde-
pendencia funcional, tiempo pasado desde el ic-
tus (<24h o >24h), comorbilidad (hipertensión,
diabetes mellitus, hipercolesterolemia), tabaquis-
mo, problemas cardiacos, subtipo de ictus (oclu-
sión de pequeño vaso o no), y niveles de colesterol
y triglicéridos. La gravedad del ictus se analizó me-
diante la escala National Institutes of Health Stroke
Scale (NIHSS), con un rango de 0 a 38 y mayores
puntuaciones indicando mayor gravedad. La inde-
pendencia funcional se analizó mediante el Índice
de Barthel Modificado (rango 0-20), en el que ma-
yores puntuaciones indican mayor independencia
funcional. La variable dependiente en el análisis
de regresión fue el tiempo de estancia (en valo-
res logarítmicos), con el que los autores preten-
dían conseguir la normalidad de la distribución de
los datos. Aunque no es el objetivo del presente
trabajo, esta transformación indica que los auto-
res malinterpretaron los supuestos del análisis de
regresión. Según el Modelo Lineal General son los
residuos, y no las variables, quienes deben distri-
buirse normalmente32.
Los resultados indicaron que el tiempo medio
de estancia fue de 11 días (DT = 14). La mayoría de
los pacientes (62%) sufrió un ictus por oclusión de
pequeño vaso, seguido de aterosclerosis (25%) y
cardioembolismo (12%). La mayoría de los pacien-
tes (81%) ingresó dentro de las primeras 24 horas
tras el ictus. De los 330 pacientes, 17 (5%) murie-
ron durante la hospitalización aguda, 86 (26%)
fueron trasladados al servicio de rehabilitación in-
tensiva, y 227 (69%) fueron dados de alta y regre-
saron a su residencia habitual u otros servicios de
atención médica.
Los datos del análisis de regresión se presen-
tan en la tabla 3-1. El tiempo de estancia aumentó
en hombres respecto a mujeres, en no-fumado-
res respecto a fumadores, en los casos con mayor
gravedad, en casos con mayor dependencia fun-
cional y en los casos con tipo de ictus diferente a
la oclusión de pequeño vaso.
Sin embargo, lo relevante de los análisis de re-
gresión es que no solo indican si existe una re-
lación estadísticamente significativa, sino que
aportan la posibilidad de conocer cuál es la aso-
ciación de cada predictor con la variable criterio
controlando el resto de predictores. En el ejemplo
de la tabla 1 se observa que los hombres presentan
una estancia media 1.24 días superior que las mu-
jeres cuando se controlan los demás predictores.
Respecto a la historia de tabaquismo, la estancia
media se reduce de media en 0.84 días en los fu-
madores respecto a los no-fumadores.
Además de la asociación entre predictores y va-
riable criterio, los análisis de regresión permiten
predecir los valores de la variable criterio a partir
 Principios básicos en estadística para neuropsicólogos clínicos e investigadores: utilidad práctica... 37

Tabla 3-1. Regresión lineal sobre tiempo de estancia hospitalaria

Predictores Coeficiente β Error estándar p
Sexo (0=mujer) 0.212 0.073 .004
Tabaquismo -0.178 0.088 .043
NIHSS 0.060 0.018 .001
NIHSS cuadrático -0.002 0.000 .001
MBI -0.020 0.010 .042
Oclusión de pequeño vaso -0.436 0.080 <.001
Constante (Intercept) 2.019 0.339 <.001
Error de estimación: 3.186. R = 36.9%. Significación del modelo <.001. La constante (o intercept en
2

inglés), se interpreta como la puntuación media en la variable criterio cuando la puntuación en todas
las variables predictoras es 0. Tomado de Chang et al., 2002.

de los diferentes valores de los predictores. En el
caso del ejemplo de la tabla 3-1, se podría predecir
la estancia hospitalaria con la fórmula:
Ŷ𝑖=β1 * X𝑖1 + β2 * X𝑖2 + βj * X𝑖j + ε𝑖j
donde Ŷ𝑖 es la puntuación predicha para el su-
jeto 𝑖, βj es el coeficiente de la variable j, X𝑖j es la
puntuación del sujeto 𝑖 en la variable j, y ε𝑖j es el
error. Utilizando los valores de la tabla 1, la predic-
ción del tiempo de estancia hospitalaria para un
varón fumador con una puntuación NIHSS=10, una
puntuación en el Índice de Barthel=15, y diagnós-
tico de ictus por oclusión de pequeño vaso sería:
Ŷ𝑖 = 2.019 + (0.212 * 1)- (0.178 * 1) + (0.060 * 10) -
(0.002*102 ) - (0.020 * 15) - (0.436 * 1) = 1.717
Puesto que la variable criterio era el logaritmo
del tiempo de estancia, hay que invertir el valor del
logaritmo (e1.717), lo cual indica que la estancia hos-
pitalaria en este paciente ascendería a 5.57 días.
Las diferencias entre los valores reales y los
valores predichos por el modelo de regresión en
cada individuo se conocen como residuos, e in-
dican si las predicciones del modelo son adecua-
das. Cuanto mayores son los residuos, menor es
la capacidad predictora del modelo y mayor es el
error23. Es importante que los investigadores ten-
gan en cuenta que, en los análisis de regresión, el
análisis de residuos es esencial para comprobar la
adecuación del modelo. Aunque el tamaño de la
muestra no modifica los coeficientes asociados a
cada predictor, las muestras pequeñas se asocian
con mayores residuos y, por tanto, un mayor error
de la predicción, lo cual puede llegar a invalidar la
utilidad para predecir la variable criterio con esos
predictores32,33.
DISCUSIÓN
La estadística es una herramienta fundamental para
el correcto desarrollo de la neuropsicología como
especialidad clínica para la evaluación, el diagnósti-
co y la intervención en patologías neurológicas. Sin
embargo, dominar conceptos estadísticos puede
llegar a ser complejo para muchos neuropsicólo-
gos14–16. Esta dificultad provoca que muchos profe-
sionales no cuenten con las herramientas necesa-
rias para interpretar correctamente los resultados
de los estudios científicos a partir de los cuales fun-
damentar la elección de pruebas para la evaluación
neuropsicológica, la interpretación de los resulta-
dos obtenidos en las pruebas seleccionadas, la elec-
ción de las técnicas de intervención más eficaces, o
la interpretación de los resultados tras la aplicación
de diferentes intervenciones cognitivas. El presente
trabajo pretende proporcionar a los neuropsicólo-
gos que desarrollan labores clínica e investigadora
una herramienta de consulta rápida para la elección
de las herramientas estadísticas más adecuadas en
38 Revista Iberoamericana de Neuropsicología  Vol. 3, No. 1, enero-junio 2020.

función de la pregunta de investigación que preten- un verdadero deterioro cognitivo a través de valores
dan responder. como la sensibilidad y la especificidad34.

Con ayuda del presente trabajo, los neuropsi-
cólogos pueden consultar de manera rápida y sen-
cilla los análisis estadísticos utilizados en trabajos
de investigación de su interés, y conocer si las téc-
nicas utilizadas son adecuadas. Asimismo, pueden
identificar de manera rápida si los estudios consul-
tados incluyen la información relevante asociada a
los valores de significación estadística y tamaños
del efecto. De esta manera, les facilita la interpre-
tación de la importancia de los resultados desde
un punto de vista estadístico (significación) y clí-
nico (tamaño del efecto).
Es importante remarcar, no obstante, que el pre-
sente trabajo se centra en las pruebas estadísticas
utilizadas más frecuentemente para el análisis de da-
tos cuando la variable de estudio es continua. Fu-
turos trabajos proporcionarán información para
interpretar puntuaciones derivadas de los tests neu-
ropsicológicos5, así como herramientas para enten-
der e interpretar datos cuando la variable de estudio
es dicotómica. Así, por ejemplo, en neuropsicología
se estudia si las variables cognitivas se asocian a la
probabilidad de desarrollar deterioro cognitivo (Sí/
No)9, o también la utilidad de diferentes puntos de
corte en los tests neuropsicológicos para identificar
Como resumen, el presente trabajo pretende ser
una herramienta de consulta rápida para clínicos
e investigadores interesados en interpretar y rea-
lizar investigaciones científicas con personas con
daño neurológico, de una manera sencilla y asocia-
da a ejemplos prácticos fácilmente comprensibles.
De esta manera, se puede convertir en un texto de
consulta tato para estudiantes de psicología como
para profesionales que desarrollen su labor en uni-
dades de neuropsicología. No obstante, la consul-
ta de este texto debe ser solo el primer paso para
un conocimiento más profundo de las herramientas
estadísticas. Una vez identificada la técnica estadís-
tica más adecuada para responder a una pregunta
de investigación, los investigadores deben acudir a
los manuales especializados para conocer más pro-
fundamente cada técnica23,30. Uno de los principa-
les mensajes de este trabajo es que, como se ha
comentado en la sección dedicada a la regresión
lineal, la correcta utilización de las pruebas esta-
dísticas depende de que se cumplan unos supues-
tos estadísticos32,35. Los clínicos e investigadores en
neuropsicología deben conocer los supuestos de
cada análisis estadístico antes de reclutar su mues-
tra, realizar sus estudios o cuando interprete los da-
tos derivados de su investigación.

Declaración de intereses:
Los autores declaran no tener conflicto de intereses

REFERENCIAS

1. Barth JT, Pliskin N, Axelrod B, et al. Introduction to the NAN 2001 Definition of a Clinical Neuropsy-
chologist. NAN Policy and Planning Committee. Arch Clin Neuropsychol Off J Natl Acad Neuropsy-
chol. 2003;18(5):551-555.
2. Boller F, Grafman J, eds. Handbook of Neuropsychology. Amsterdam: Elsevier; 1997.
3. Lezak MD, Howieson DB, Loring DW. Neuropsychological Assessment. 4th ed. New York: Oxford
University Press; 2004.
4. Goldstein LH, McNeil JE, eds. Clinical Neuropsychology: A Practical Guide to Assessment and Man-
agement for Clinicians. 2nd ed. Chichester, West Sussex ; Malden, MA: Wiley-Blackwell; 2013.
 Principios básicos en estadística para neuropsicólogos clínicos e investigadores: utilidad práctica... 39

5. Strauss EH, Sherman EHS, Spreen O. A Compendium of Neuropsychological Tests. Administration,

Norms and Comments. New York: Oxford University Press; 2006.
6. Fletcher-Janzen E, Strickland TL, Reynolds CR. Handbook of Cross-Cultural Neuropsychology. New
York: Klewer Academic; 2000.
7. Neil V. Cross-Cultural Neuropsychological Assessment. Theory and Practice. Mahwah, NY: Lawrence
Erlbaum; 2000.
8. Petersen R, Smith G, Waring S, Ivnik R, Tangalos T, Kokmen E. Mild cognitive impairment: Clinical char-
acterization and outcome. Arch Neurol. 1999; 56(3):303–308. doi:10.1001/archneur.56.3.303
9. Oltra-Cucarella J, Sánchez-SanSegundo M, Lipnicki DM, et al. Using the base rate of low scores
helps to identify progression from amnestic MCI to AD. J Am Geriatr Soc. 2018; 66(7):1360-1366.
doi:10.1111/jgs.15412
10. Oltra-Cucarella J, Sánchez-SanSegundo M, Rubio-Aparicio M, Arango-Lasprilla JC, Ferrer-Cascales
R. The Association Between the Number of Neuropsychological Measures and the Base Rate of Low
Scores. Assessment. July 2019:107319111986464. doi:10.1177/1073191119864646
11. Rivera D, Olabarrieta-Landa L, Brooks BL, et al. Multivariate Base Rates of Low Scores on Tests of
Learning and Memory Among Latino Adult Populations. J Int Neuropsychol Soc. 2019; 25(08):834-
844. doi:10.1017/S135561771900050X
12. Crawford JR, Garthwaite PH. Statistical Methods for Single-Case Studies in Neuropsychology:
Comparing the Slope of a Patient’s Regression Line with those of a Control Sample. Cortex. 2004;
40(3):533-548. doi:10.1016/S0010-9452(08)70145-X
13. Arnau Grass J. Diseños experimentales en psicología y educación. México: Trillas; 1990.
14. Cardona LZ. ¿Cómo contribuir a la alfabetización estadística? Rev Virtual Univ Católica Norte.
2011;1(33):234-247.
15. Arango-Lasprilla JC, Olabarrieta-Landa L, Rivera D, Olivera Plaza SL, De Los Reyes Aragón CJ, Qui-
jano MC. Situación actual de la neuropsicología en Colombia. In: Arango-Lasprilla JC, Rivera D, eds.
Neuropsicología En Colombia: Datos Normativos, Estado Actual y Retos a Futuro. Manizales, Colom-
bia: Editorial Universidad Autónoma de Manizales; 2015:21-46.
16. Fonseca-Aguilar P, Olabarrieta-Landa L, Rivera D, et al. Situación actual de la práctica profesional de
la neuropsicología en México. Psicol Desde El Caribe. 2015; 32(3):343-364.
17. Cassidy SA, Dimova R, Giguère B, Spence JR, Stanley DJ. Failing Grade: 89% of Introduction-to-Psy-
chology Textbooks That Define or Explain Statistical Significance Do So Incorrectly. Adv Methods Pract
Psychol Sci. 2019;2(3):233-239. doi:10.1177/2515245919858072
18. Cohen J. A power primer. Psychol Bull. 1992; 112(1):155–159. doi:10.1037/0033-2909.112.1.155
19. Fritz CO, Morris PE, Richler JJ. Effect size estimates: Current use, calculations, and interpretation. J Exp
Psychol Gen. 2012;141(1):2–18. doi:10.1037/a0024338
20. Zakzanis KK. Statistics to tell the truth, the whole truth, and nothing but the truth: formulae, illustrative nu-
merical examples, and heuristic interpretation of effect size analyses for neuropsychological research-
ers. Arch Clin Neuropsychol. 2001; 16(7):653–67. doi:10.1016/S0887-6177(00)00076-7
21. Garcia-Diaz AI, Segura B, Baggio HC, et al. Structural Brain Correlations of Visuospatial and Vi-
suoperceptual Tests in Parkinson’s Disease. J Int Neuropsychol Soc. 2018; 24(01):33-44. doi:10.1017/
S1355617717000583
22. Button KS, Ioannidis JP a, Mokrysz C, et al. Power failure: why small sample size undermines the reli-
ability of neuroscience. Nat Rev Neurosci. 2013; 14(5):365–76. doi:10.1038/nrn3475
23. Tabachnick BG, Fidell LS. Using Multivariate Statistics. Sixth Ed. New Jersey: Pearson Education Inc; 2013.
24. Richardson JTE. Eta squared and partial eta squared as measures of effect size in educational research.
Educ Res Rev. 2011; 6(2):135-147. doi:10.1016/j.edurev.2010.12.001
25. Smith AB, Dawes P, Smith S, Pal DK. A specific deficit of auditory processing in children with Rolandic
Epilepsy and their relatives. Epilepsy Behav. 2017; 72:135-139. doi:10.1016/j.yebeh.2017.04.043
40 Revista Iberoamericana de Neuropsicología  Vol. 3, No. 1, enero-junio 2020.

26. Testa JA, Malec JF, Moessner AM, Brown AW. Outcome After Traumatic Brain Injury: Effects of Aging
on Recovery. Arch Phys Med Rehabil. 2005; 86(9):1815-1823. doi:10.1016/j.apmr.2005.03.010
27. Wobrock T, Ecker UKH, Scherk H, Schneider-Axmann T, Falkai P, Gruber O. Cognitive impairment of
executive function as a core symptom of schizophrenia. World J Biol Psychiatry. 2009; 10(4-2):442-
451. doi:10.1080/15622970701849986
28. De Simone MS, Perri R, Fadda L, Caltagirone C, Carlesimo GA. Predicting progression to Alzheimer’s
disease in subjects with amnestic mild cognitive impairment using performance on recall and recogni-
tion tests. J Neurol. 2019; 266(1):102-111. doi:10.1007/s00415-018-9108-0
29. Borghesani PR, Madhyastha TM, Aylward EH, et al. The association between higher order abilities,
processing speed, and age are variably mediated by white matter integrity during typical aging. Neu-
ropsychologia. 2013; 51(8):1435-1444. doi:10.1016/j.neuropsychologia.2013.03.005
30. Vittinghoff E, Glidden DV, Shiboski SC, McCulloch CE. Regression Methods in Biostatistics: Linear, Lo-
gistic, Survival, and Repeated Measures Models. New York: Springer; 2005.
31. Chang K-C, Tseng M-C, Weng H-H, Lin Y-H, Liou C-W, Tan T-Y. Prediction of Length of Stay of First-Ev-
er Ischemic Stroke. Stroke. 2002; 33(11):2670-2674. doi:10.1161/01.STR.0000034396.68980.39
32. Williams MN, Gómez Grajales CA, Kurkiewicz D. Assumptions of Multiple Regression: Correcting
Two Misconceptions. Pract Assess Res Eval. 2013; 18(11):1-14.
33. Osborne JW. Normality of residuals is a continuous variable, and does seem to influence the trustwor-
thiness of confidence intervals: A response to, and appreciation of, Williams, Grajales, and Kurkiewicz
(2013). Pract Assess Res Eval. 2013; 18(12):1-9.
34. De Jager CA, Hogervorst E, Combrinck M, Budge MM. Sensitivity and specificity of neuropsychologi-
cal tests for mild cognitive impairment, vascular cognitive impairment and Alzheimer’s disease. Psychol
Med. 2003; 33(6):1039-1050. doi:10.1017/s0033291703008031
35. Cohen J, Cohen P, West SG, Aiken LS. Applied Multiple Regression/Correlation Analysis for the Be-
havioral Sciences. 3rd ed. Mahwah, N.J: L. Erlbaum Associates; 2003.